Discussie Opinie 18 juni 2025

Welke kennis moet de accountant hebben om AI goed te kunnen controleren?

De accountant van de toekomst moet niet alleen financieel onderlegd zijn, maar ook wiskundige en informaticakennis bezitten.

Geert de Jonge

De opkomst van AI in de accountancy vraagt om een grondige herbezinning op het kennisprofiel van de accountant. Wie AI wil controleren — of er verantwoord gebruik van wil maken — moet verder kijken dan standaard audittechnieken of wet- en regelgeving. Er is diepgaande wiskundige en informaticakennis vereist om écht grip te krijgen op wat AI doet en waarom.

1. Representatietheorie

AI-modellen, zeker taalmodellen en neurale netwerken, werken met vectorrepresentaties van informatie: woorden, boekingen, anomalieën, etc. Representatietheorie helpt ons begrijpen hoe objecten (zoals transacties of semantiek) wiskundig worden afgebeeld in een lineaire structuur — en hoe dat doorwerkt in modelbeslissingen. Zonder dit begrip mist de accountant inzicht in hoe modellen categoriseren, generaliseren of discrimineren.

2. Functionaalanalyse en Hilbertruimten

Deep learning speelt zich af in eindige (en soms oneindige) dimensionale vectorruimten — met Hilbertruimten als wiskundige basis. Begrippen als orthogonaliteit, projectie, compactheid en convergentie zijn fundamenteel voor de werking van modellen. Functionaalanalyse biedt het abstractiekader om deze concepten in de praktijk van AI-auditing toe te passen, bijvoorbeeld bij regularisatie en modelreductie.

3. Optimalisatietheorie

AI-modellen worden getraind door optimalisatie: verliesfuncties worden geminimaliseerd via technieken als gradient descent. Voor accountants die AI willen begrijpen of controleren is kennis van convexiteit, Lagrangemultipliers, constrained optimization en saddle points essentieel. Ook kennis van numerieke instabiliteit is nodig om te beoordelen of een model robuust is.

4. Lineaire algebra en spectraaltheorie

De basis van elk neuraal netwerk, elke PCA-analyse of autoencoder is matrixrekening. Spectraaltheorie geeft inzicht in eigen decomposities en singular value decompositions, cruciaal voor interpretatie van features en modelgedrag. Dit is onmisbaar bij bijvoorbeeld fraudedetectie op basis van embedded transactiegegevens.

5. Statistiek, Bayesiaanse logica en waarschijnlijkheidsleer

Accountants moeten probabilistisch leren denken. AI voorspelt immers niet deterministisch, maar werkt met waarschijnlijkheidsverdelingen. Kennis van Bayesiaanse netwerken, posterior inference, Markov-ketens en prior selecties is essentieel voor het interpreteren van modeluitvoer en risicoschattingen.

6. Algoritmiek en informatica

Zonder begrip van algoritmiek, datastructuren, complexiteitstheorie (zoals P vs NP), randomisatie en hashing heeft de accountant geen zicht op modelprestaties, black-box gedrag of computationele limieten. Kennis van Python of Julia is bovendien een praktische vereiste.

Conclusie

De accountant van de toekomst moet niet alleen financieel onderlegd zijn, maar ook wiskundige en computationele geletterdheid bezitten. AI is niet "gewoon een nieuwe tool", maar een paradigma dat de kern van de controle raakt: wat betekent betrouwbaarheid als je het model zelf nauwelijks kunt interpreteren?

Zonder stevige basis in representatietheorie, functionaalanalyse, optimalisatietheorie en probabilistiek blijft de accountant afhankelijk van externe specialisten — en verliest hij zijn toetsende rol. De echte controle begint bij kennis.